2nd Quiz 2025/2026

Created onDibuat padaMarch 12, 202612 Maret 2026

Last updated onTerakhir diperbaruiMarch 12, 202612 Maret 2026

17 min read17 menit baca

IDCNNRNNLSTM

ContributorsKontributor

Tim Dosen IF3270Razi Rachman Widyadhana - @zirachw

Kuis 2 IF3270 Pembelajaran Mesin, Semester II 2025-2026. Tanggal 12 Maret 2026, 09.00-10.40 WIB.

#Link to this headingBagian I CNN dan Encoder-Decoder

Bobot 40

Suatu model one-to-many memiliki encoder CNN dan decoder RNN. Encoder CNN menerima input berukuran $3 \times 3 \times 2$ dan memiliki 2 layer konvolusi.

L1 adalah hidden layer konvolusi dengan 1 kernel A berukuran $2 \times 2$ dan bias $-1$ . Konvolusi menggunakan stride 1, tanpa padding. Tahap detector menggunakan ReLU, kemudian tahap pooling menggunakan fungsi maksimum dengan kernel $2 \times 2$ , tanpa padding, dan stride 1.

Kernel A memiliki dua kanal.

A_{\text{ch1}} = \begin{bmatrix} 0 & -1 \\ -1 & 0 \end{bmatrix}, \quad A_{\text{ch2}} = \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix}

L2 adalah hidden layer konvolusi dengan 2 kernel berukuran $2 \times 2$ . Konvolusi menggunakan stride 1 dan padding 1. Tahap detector menggunakan ReLU, kemudian tahap pooling menggunakan fungsi maksimum dengan kernel $2 \times 2$ , tanpa padding, dan stride 1.

B = \begin{bmatrix} 1 & 0 \\ 0 & 0 \end{bmatrix}, \quad b_B = -0.5

C = \begin{bmatrix} 0 & 1 \\ 1 & 0 \end{bmatrix}, \quad b_C = 0.5

Decoder RNN memiliki satu layer RNN dengan 2 neuron dan satu output layer dengan 10 neuron. Input decoder berupa vektor dari start-token yang berupa vektor nol, atau output token dari timestep sebelumnya. Decoder maksimum memiliki 10 timestep.

Data input $x$ diberikan dalam dua kanal.

x_{\text{ch1}} = \begin{bmatrix} 1 & 1 & 1 \\ 0 & 1 & 0 \\ 0 & 1 & 0 \end{bmatrix}

x_{\text{ch2}} = \begin{bmatrix} 0 & 0 & 0 \\ 1 & 0 & 1 \\ 1 & 0 & 1 \end{bmatrix}

#Link to this headingSoal a [Nilai 2]

Untuk receptive pertama, berikan detail perhitungan proses konvolusi yang terjadi pada L1.

#Link to this headingSoal b [Nilai 15]

Lanjutkan proses forward propagation bagian encoder CNN tersebut. Berikan output di akhir perhitungan setiap layer secara eksplisit. Jika diperlukan pembulatan, gunakan angka desimal dengan pembulatan tiga angka di belakang koma.

#Link to this headingSoal c [Nilai 5]

Gambarkan arsitektur one-to-many tersebut dalam unfolded network. Hidden layer encoder digambarkan dalam sebuah kotak dengan menuliskan ukuran feature map. Hidden layer decoder digambarkan dalam sebuah kotak dengan menuliskan banyaknya neuron.

#Link to this headingSoal d [Nilai 3]

Lengkapi gambar arsitektur pada soal c dengan informasi kernel A, B, dan C, serta bobot $W_{xh}$ , $W_{hh}$ , dan $W_{hy}$ .

#Link to this headingSoal e [Nilai 5]

Hitung jumlah parameter model one-to-many tersebut.

#Link to this headingSoal f [Nilai 10]

Jika hasil $c$ adalah hasil flatten feature map dari encoder CNN untuk input $x$ , berikan formula untuk mendapatkan sequence $y^{(1)}$ , $y^{(2)}$ , dan $y^{(3)}$ dengan $y^{(3)}$ menyatakan end-token.

#Link to this headingBagian II RNN

Bobot 30

Diberikan model hasil pembelajaran Recurrent Neural Network many-to-many yang menerima nilai dari 2 atribut, memiliki 1 hidden layer dengan 3 neuron, dan memiliki 2 neuron output. Matriks $W_{xh}$ menyatakan bobot dari input layer ke hidden layer. Matriks $W_{hh}$ menyatakan bobot dari hidden layer pada timestep sebelumnya ke hidden layer pada timestep saat ini. Matriks $W_{hy}$ menyatakan bobot dari hidden layer ke output layer.

Bias $b_{xh}$ diasumsikan sama untuk semua hidden neuron, sedangkan bias $b_{hy}$ diasumsikan sama untuk semua output neuron. Baris pada matriks menyatakan bobot menuju neuron yang sama.

Data pasangan input-output adalah sebagai berikut.

$x_1$	$x_2$	Output
0.4	0.2	$[1\;0]$
0.7	0.8	$[0\;1]$
0.1	0.5	$[1\;0]$

Spesifikasi model adalah sebagai berikut.

No	Informasi
i	Pasangan input-output diberikan pada tabel data
ii	Setiap baris bobot dari input ke hidden layer adalah $[0.1\;0.2]$
iii	Setiap baris bias dari input ke hidden layer adalah $[0.1]$
iv	Setiap baris bobot dari hidden neuron timestep $t-1$ ke timestep $t$ adalah $[0.2\;0.3\;0.2]$
v	Setiap baris bobot dari hidden layer ke output layer adalah $[0.3\;0.2\;0.1]$
vi	Setiap baris bias dari hidden layer ke output layer adalah $[0.3]$
vii	Terdapat 2 timesteps dan diawali dengan $t=1$
viii	Nilai awal $h^{(0)} = [0\;0\;0]^T$
ix	Fungsi aktivasi di hidden layer adalah tanh
x	Fungsi aktivasi di output layer adalah softmax

Untuk 2 timestep yang dihitung, inputnya adalah sebagai berikut.

x^{(1)} = [0.4,\;0.2]^T, \quad x^{(2)} = [0.7,\;0.8]^T

#Link to this headingSoal 1 [Nilai 5]

Gambarkan arsitektur unfolded network lengkap dengan bias.

#Link to this headingSoal 2 [Nilai 1]

Isi matriks $W_{xh}$ .

#Link to this headingSoal 3 [Nilai 1]

Isi matriks $b_{xh}$ .

#Link to this headingSoal 4 [Nilai 1]

Isi matriks $W_{hh}$ .

#Link to this headingSoal 5 [Nilai 1]

Isi matriks $W_{hy}$ .

#Link to this headingSoal 6 [Nilai 1]

Isi matriks $b_{hy}$ .

#Link to this headingSoal 7 [Nilai 6]

Lakukan forward propagation untuk mendapatkan nilai neuron pertama di hidden layer pada $t=1$ .

#Link to this headingSoal 8 [Nilai 6]

Lakukan forward propagation untuk mendapatkan nilai neuron pertama di hidden layer pada $t=2$ .

#Link to this headingSoal 9 [Nilai 8]

Lakukan forward propagation untuk mendapatkan nilai output layer pada $t=1$ , termasuk kelas hasil prediksinya.

#Link to this headingBagian III LSTM

Bobot 30

#Link to this headingSoal 1 [Nilai 20]

Diketahui LSTM dengan informasi bobot sebagai berikut.

W_{xf} = [0.7,\;0.5], \quad W_{xi} = [0.9,\;0.8], \quad W_{xc} = [0.4,\;0.2], \quad W_{xo} = [0.6,\;0.4]

W_{hf} = [0.1], \quad W_{hi} = [0.6], \quad W_{hc} = [0.1], \quad W_{ho} = [0.2]

Bias yang digunakan adalah sebagai berikut.

b_f = 0.15, \quad b_i = 0.4, \quad b_c = 0.1, \quad b_o = 0.2

Arsitektur LSTM

Tuliskan rumus, lengkapi, dan gunakan rumus untuk melakukan perhitungan $C_t$ dan $h_t$ dengan $t=1$ , $x_1 = [1,\;2]$ , $h_0 = 0$ , dan $C_0 = 0$ . Hitung nilai $f_1$ , $i_1$ , $\hat{C}_1$ , dan $o_1$ terlebih dahulu.

#Link to this headingSoal 2 [Nilai 6]

Jelaskan definisi berbagai simbol pada penghitungan LSTM di soal 1.

#Link to this headingSoal 3 [Nilai 4]

Jelaskan perbedaan antara RNN dan LSTM sesuai gambar di bawah ini.

Diagram perbandingan arsitektur RNN dan LSTM

1st Quiz 2024/2025

2nd Quiz 2024/2025

Backlinks

IF3270 - Machine Learning